12 NumPy-Operationen für Anfänger

Eskere Guru

NumPy, was für Numerical Python steht, ist eine Python-Bibliothek, die hauptsächlich zum Arbeiten mit Arrays und zum Ausführen einer Vielzahl mathematischer Operationen mit ihnen verwendet wird. Es ist die Kernbibliothek für wissenschaftliches Rechnen in Python. NumPy wird häufig mit anderen Python-Bibliotheken im Zusammenhang mit Data Science wie SciPy, Pandas und Matplotlib verwendet.

In diesem Artikel erfahren Sie, wie Sie mit NumPy 12 grundlegende Operationen ausführen.

Verwenden dieser NumPy-Beispiele

Sie können die Beispiele in diesem Artikel ausführen, indem Sie den Code direkt in den Python-Interpreter eingeben. Starten Sie es dazu im interaktiven Modus über die Befehlszeile.

Sie können auch auf eine Python Notebook-Datei zugreifen, die den vollständigen Quellcode aus diesem GitHub-Repository enthält .

1. So importieren Sie NumPy als np und drucken die Versionsnummer

Sie müssen den Import Schlüsselwort verwenden jede Bibliothek in Python zu importieren. NumPy wird normalerweise unter dem Alias np importiert. Bei diesem Ansatz können Sie das NumPy-Paket als np anstelle von numpy bezeichnen .

 import numpy as np
 print(np.__version__)

Ausgabe:

 1.20.1

2. So erstellen Sie ein NumPy-Ndarray-Objekt

Das Array-Objekt in NumPy heißt ndarray . Sie können das NumPy ndarray- Objekt mit der Methode array() erstellen. Die Methode array() akzeptiert eine Liste, ein Tupel oder ein Array-ähnliches Objekt.

Verwenden eines Tupels zum Erstellen eines NumPy-Arrays

 arrObj = np.array((23, 32, 65, 85))
 arrObj

Ausgabe:

 array([23, 32, 65, 85])

Verwenden einer Liste zum Erstellen eines NumPy-Arrays

 arrObj = np.array([43, 23, 75, 15])
 arrObj

Ausgabe:

 array([43, 23, 75, 15])

3. So erstellen Sie 0D-, 1D-, 2D-, 3D- und N-dimensionale NumPy-Arrays

0D-Arrays

Jedes Element eines Arrays ist ein 0D-Array.

 arrObj = np.array(21)
 arrObj

Ausgabe:

 array(21)

1D-Arrays

Arrays mit 0D-Arrays als Elemente werden 1D-Arrays genannt.

 arrObj = np.array([43, 23, 75, 15])
 arrObj

Ausgabe:

 array([43, 23, 75, 15])

2D-Arrays

Arrays mit 1D-Arrays als Elemente werden 2D-Arrays genannt.

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
 arrObj

Ausgabe:

 array([[12, 43, 21],
 [67, 32, 98]])

3D-Arrays

Arrays, die 2D-Arrays (Matrizen) als ihre Elemente haben, werden 3D-Arrays genannt.

 arrObj = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
 arrObj

Ausgabe:

 array([[[23, 45, 22],
 [45, 76, 23]],

 [[67, 23, 56],
 [12, 76, 63]]])

n-dimensionale Arrays

Sie können mit dem Argument ndmin ein Array mit einer beliebigen Dimension erstellen .

 arrObj = np.array([23, 22, 65, 44], ndmin=5)
 arrObj

Ausgabe:

 array([[[[[23, 22, 65, 44]]]]])

4. So überprüfen Sie die Abmessungen eines Arrays

Sie können die Dimensionen eines Arrays mithilfe des ndim- Attributs ermitteln.

 arrObj1 = np.array(21)
 arrObj2 = np.array([43, 23, 75, 15])
 arrObj3 = np.array([[12, 43, 21], [67, 32, 98]])
 arrObj4 = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
 print(arrObj1.ndim)
 print(arrObj2.ndim)
 print(arrObj3.ndim)
 print(arrObj4.ndim)

Ausgabe:

 0
 1
 2
 3

5. Zugriff auf die Elemente von 1D-, 2D- und 3D-Arrays

Sie können auf ein Array-Element über seine Indexnummer zugreifen. Für 2D- und 3D-Arrays müssen Sie durch Kommas getrennte Ganzzahlen verwenden, die den Index jeder Dimension darstellen.

 arrObj1 = np.array([43, 23, 75, 15])
 arrObj2 = np.array([[12, 43, 21], [67, 32, 98]])
 arrObj3 = np.array([[[23, 45, 22], [45, 76, 23]], [[67, 23, 56], [12, 76, 63]]])
 print(arrObj1[2])
 print(arrObj2[0, 2])
 print(arrObj3[0, 1, 2])

Ausgabe:

 75
 21
 23

Hinweis : NumPy-Arrays unterstützen auch die negative Indizierung.

Verwandte: Warum Python die Programmiersprache der Zukunft ist

6. So überprüfen Sie den Datentyp des NumPy-Array-Objekts

Sie können den Datentyp des NumPy-Array-Objekts mithilfe der dtype- Eigenschaft überprüfen .

 arrObj1 = np.array([1, 2, 3, 4])
 arrObj2 = np.array([1.3, 6.8, 3.5, 9.2])
 arrObj3 = np.array(['Welcome', 'to', 'MUO'])
 print(arrObj1.dtype)
 print(arrObj2.dtype)
 print(arrObj3.dtype)

Ausgabe:

 int32
 float64
 <U7

Hinweis :

NumPy verwendet die folgenden Zeichen, um die integrierten Datentypen darzustellen:

  • i — ganze Zahl (mit Vorzeichen)
  • b — boolesch
  • O — Objekt
  • S — Saite
  • u — Ganzzahl ohne Vorzeichen
  • f — schweben
  • c — komplexe Gleitkommazahl
  • m — Zeitdelta
  • M — Datum/Uhrzeit
  • U — Unicode-String
  • V — Rohdaten (ungültig)

7. So ändern Sie den Datentyp eines NumPy-Arrays

Sie können den Datentyp eines NumPy-Arrays mit der Methode astype(data_type) ändern . Diese Methode akzeptiert den Datentyp als Parameter und erstellt eine neue Kopie des Arrays. Sie können den Datentyp mit Zeichen wie 'b' für Boolean, 'i' für Integer, 'f' für Float usw. angeben.

Konvertieren eines Integer-Arrays in ein Float-Array

 arrObj = np.array([43, 23, 75, 15])
 floatArr = arrObj.astype('f')
 floatArr

Ausgabe:

 array([43., 23., 75., 15.], dtype=float32)

Konvertieren eines Float-Arrays in ein Integer-Array

 arrObj = np.array([1.3, 6.8, 3.5, 9.2])
 intArr = arrObj.astype('i')
 intArr

Ausgabe:

 array([1, 6, 3, 9], dtype=int32)

Verwandte: Python-Projektideen für Anfänger geeignet

8. So kopieren Sie ein NumPy-Array in ein anderes Array

Sie können ein NumPy-Array mit der Funktion np.copy() in ein anderes Array kopieren . Diese Funktion gibt eine Array-Kopie des angegebenen Objekts zurück.

 oldArr = np.array([43, 23, 75, 15])
 newArr = np.copy(oldArr)
 newArr

Ausgabe:

 array([43, 23, 75, 15])

9. So finden Sie die Form eines NumPy-Arrays

Die Form eines Arrays bezieht sich auf die Anzahl der Elemente in jeder Dimension. Sie können die Form eines Arrays mithilfe des Shape- Attributs ermitteln. Es gibt ein Tupel zurück, dessen Elemente die Längen der entsprechenden Array-Dimensionen angeben.

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
 arrObj.shape

Ausgabe:

 (2, 3)

Verwandte: So erstellen Sie APIs in Python: Die beliebtesten Frameworks

10. Wie man ein NumPy-Array umformt

Das Umformen eines Arrays bedeutet, seine Form zu ändern. Beachten Sie, dass Sie ein Array nicht in eine beliebige Form umformen können. Die Anzahl der für die Umformung erforderlichen Elemente muss in beiden Formen gleich sein.

 arrObj = np.array([43, 23, 75, 15, 34, 45])
 reshapedArr = arrObj.reshape(2, 3)
 reshapedArr

Ausgabe:

 array([[43, 23, 75],
 [15, 34, 45]])

Im obigen Beispiel wird ein 1D-Array in ein 2D-Array umgeformt.

11. So reduzieren Sie ein NumPy-Array

Das Abflachen eines Arrays bedeutet das Konvertieren eines mehrdimensionalen Arrays in ein 1D-Array. Sie können ein Array mit reshape(-1) reduzieren .

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
 flattenedArr = arrObj.reshape(-1)
 flattenedArr

Ausgabe:

 array([12, 43, 21, 67, 32, 98])

Hinweis : Sie können ein Array auch mit anderen Methoden wie numpy.ndarray.flatten() und numpy.ravel() reduzieren .

12. So sortieren Sie ein NumPy-Array

Sie können ein NumPy-Array mit der Funktion numpy.sort() sortieren.

Sortieren von 1D-Arrays von ganzen Zahlen

 arrObj = np.array([43, 23, 75, 15])
 np.sort(arrObj)

Ausgabe:

 array([15, 23, 43, 75])

Sortieren von 1D-String-Arrays

 arrObj = np.array(["Python", "JavaScript", "Solidity", "Golang"])
 np.sort(arrObj)

Ausgabe:

 array(['Golang', 'JavaScript', 'Python', 'Solidity'], dtype='<U10')

Sortieren von 2D-Arrays von ganzen Zahlen

 arrObj = np.array([[12, 43, 21], [67, 32, 98]])
 np.sort(arrObj)

Ausgabe:

 array([[12, 21, 43], [32, 67, 98]])

Machen Sie Ihren Code mit integrierten Methoden und Funktionen robust

Python ist eine der beliebtesten Programmiersprachen. Es wird in verschiedenen Bereichen wie Webentwicklung, wissenschaftliche und numerische Anwendungen, Softwareentwicklung und Spieleentwicklung verwendet. Es ist immer gut, über integrierte Methoden und Funktionen in Python Bescheid zu wissen. Sie können Ihren Code verkürzen und seine Effizienz steigern.